[發明專利]基于心電和心音信號聯合分析的冠心病無創篩查系統

有效

• 申請號: 201910878850.4
• 申請日: 2019-09-18
• 公開（公告）號: CN110537910B
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 劉常春;李晗;張明;王新沛;楊磊;曾強;李慶雨
• 申請（專利權）人: 濟南匯醫融工科技有限公司
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B7/02;A61B5/00
• 代理公司: 濟南日新專利代理事務所(普通合伙) 37224
• 代理人: 王書剛

1.一種基于心電和心音信號聯合分析的冠心病無創篩查系統，其特征在于，包括：

心電信號預處理模塊，對采集的心電信號進行帶通濾波處理，去除基線漂移和工頻干擾，經過AD轉換后進行歸一化處理；

心音信號預處理模塊，對同步采集的心音信號進行高通濾波處理，去除工頻干擾，經過AD轉換后進行歸一化處理；

特征提取與選擇模塊，接收歸一化處理后的心電信號和心音信號，通過時域、頻域和時頻域分析方法提取心電信號的各域特征，通過時域、頻域、能量、熵和峰態分析方法提取心音信號的各域特征，將心電信號和心音信號的各域特征進行融合，并利用信息增益率方法篩選出重要特征，組成電機械特征向量；

五通道信號級聯模塊，接收歸一化處理后的心電信號和心音信號，通過小波變換與重構將心音信號分解為四頻段信號，并與心電信號合并為五通道組信號；

雙輸入神經網絡分類模塊，包括多層感知器、深度學習模型和激活模型，多層感知器對特征提取與選擇模塊輸出的電機械特征向量進行處理，得到特征輸出；深度學習模型對五通道信號級聯模塊的輸出進行處理，得到信號輸出；激活模型對特征輸出和信號輸出進行合并，并利用激活函數對合并后的輸出進行非線性處理，得到最終的冠心病篩查結果。

2.根據權利要求1所述的基于心電和心音信號聯合分析的冠心病無創篩查系統，其特征在于，所述特征提取與選擇模塊提取的心電信號特征包括R波、P波、Q點、S點和T波的時間和幅值信息，并根據上述信息計算出62個時域特征；利用離散傅里葉變換對心電信號進行頻譜分析，計算出5個頻域特征；利用小波包方法對心電信號進行時頻域分析，計算出14個時頻域特征。

3.根據權利要求2所述的基于心電和心音信號聯合分析的冠心病無創篩查系統，其特征在于，所述62個時域特征的計算過程如下所述：

利用時間和幅值信息得到如下14個序列：

RR間期序列，反映相鄰R波的時間差信息；

DRR間期序列，反映RR間期序列的差分信息；

PR間期序列，反映每個心動周期中P波與R波的時間差信息；

RT間期序列，反映每個心動周期中R波與T波的時間差信息；

QS間期序列，反映每個心動周期中Q點與S點的時間差信息；

QT間期序列，反映每個心動周期中Q點與T波的時間差信息；

R波幅值序列，反映每個心動周期中R波的幅值信息；

PQ幅值序列，反映每個心動周期中P波與Q點的幅值比信息；

PT幅值序列，反映每個心動周期中P波與T波的幅值比信息；

TP幅值序列，反映每個心動周期中T波與P波的幅值比信息；

TQ幅值序列，反映每個心動周期中T波與Q波的幅值比信息；

R信號序列，反映每個心動周期中以R波為中心，寬度為0.7s的區段中信號的平均幅值信息；

SP信號序列，反映每個心動周期中以S點為起始點，P波為終點的區段中信號的平均幅值信息；

SP信號序列，反映每個心動周期中ST段偏離心電基線的程度信息；

計算14個序列中每個序列的最大值、最小值、平均值和標準差，得到56個序列特征；計算整個心電信號的最大值、最小值、平均值、方差和標準差；利用R波的時間信息計算出心率，最終得到心電信號時域分析的62個特征。

4.根據權利要求2所述的基于心電和心音信號聯合分析的冠心病無創篩查系統，其特征在于，所述5個頻域特征的計算過程為：

對處理后的心電信號進行離散傅里葉變換，得到頻譜序列f_i；

計算頻譜序列f_i的均值avg_Sp和標準差std_Sp，進而計算f_i的偏度Sp_skew和峰度Sp_kur；同時，計算f_i的熵值Sp_entropy，最終得到心電信號頻域分析的5個特征。